Cross-resolution Face Recognition via Identity-Preserving Network and Knowledge Distillation

要約

異解像度の顔認識は、最新の深顔認識システムにとって困難な問題となっています。
低解像度のプローブ画像と、データベースに登録されている高解像度のギャラリー画像を照合することを目的としています。
既存の方法は主に、超解像度技術を使用して顔の詳細を再構成するか、統一された特徴空間を学習することにより、高解像度画像からの事前情報を活用します。
この課題に対処するために、この論文では、ネットワークが低解像度画像の低周波成分に保存されている識別情報に集中するように強制する新しいアプローチを提案します。
クロス解像度の知識蒸留パラダイムが学習フレームワークとして最初に採用されます。
次に、低周波の詳細をキャプチャしてパフォーマンスを向上させるために、アイデンティティ保存ネットワーク WaveResNet とウェーブレット類似性損失が設計されています。
最後に、より現実的な低解像度トレーニング データをシミュレートする画像劣化モデルが考案されています。
その結果、広範な実験結果は、提案された方法が、さまざまな画像解像度にわたってベースライン モデルやその他の最先端の方法よりも一貫して優れていることを示しています。

要約(オリジナル)

Cross-resolution face recognition has become a challenging problem for modern deep face recognition systems. It aims at matching a low-resolution probe image with high-resolution gallery images registered in a database. Existing methods mainly leverage prior information from high-resolution images by either reconstructing facial details with super-resolution techniques or learning a unified feature space. To address this challenge, this paper proposes a new approach that enforces the network to focus on the discriminative information stored in the low-frequency components of a low-resolution image. A cross-resolution knowledge distillation paradigm is first employed as the learning framework. Then, an identity-preserving network, WaveResNet, and a wavelet similarity loss are designed to capture low-frequency details and boost performance. Finally, an image degradation model is conceived to simulate more realistic low-resolution training data. Consequently, extensive experimental results show that the proposed method consistently outperforms the baseline model and other state-of-the-art methods across a variety of image resolutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google